Чому всі вивчають Python: що тут хайпове, а що дійсно корисно для старту в IT?
Обираючи мову програмування, початківці часто звертають увагу саме на Python. Здавалося б, він став дуже хайповим. Але зручність і простота використання цієї мови підтверджена на практиці. У цій статті я, Денис Москаленко, Python Web Developer у NIX, розповім вам про основні інструменти, які дозволять максимально залучити всі переваги Python у ході розробки.
Переваги Python над іншими мовами програмування
- Простота використання
На фоні інших мов розробка на Python є легкою. Особливо це оцінять початківці в ІТ. Та й для досвідчених фахівців, які хочуть опанувати додаткову мову, це плюс. Python має зрозумілий синтаксис, не навантажений безліччю складних конструкцій.
Багато чого в Python реалізовано інструментами самої ж мови. В його основі — різні структури і типи даних та засоби для роботи з ними, математичні і статистичні функції, засоби функціонального програмування, декоратори тощо. Також є багато сторонніх бібліотек. Тому ви зможете легко створювати і вдосконалювати свій функціонал.
У Python відсутня статична типізація. Тут є свої переваги та недоліки, але початківцям це точно буде на руку. У той же час Python підтримує анотацію типів. Це полегшує розуміння коду та роботу з ним. А цю властивість оцінять і досвідчені програмісти.
- Швидкість розробки
Простий синтаксис і наявність готових інструментів позитивно позначаться на швидкості створення продукту. Цей темп не порівняти, наприклад, із Java, де потрібно у двічі (а то й тричі) більше часу на реалізацію тих самих дій.
Python дозволяє дуже швидко робити прості прототипи і запускати окремі сервіси в кілька рядків коду. Тому це чудовий вибір для MVP чи PoC. Водночас легкість прототипу не означає, що Python не підійде для серйозніших задач. На ньому так само вдало можна писати великі, потужні програми.
- Широкі можливості застосування
Завдяки гнучкості Python ви можете постійно прокачувати свою розробку, створювати більш просунуті, оригінальні проєкти. Причому будь-якого рівня складності. Все, що спаде на думку, реально зробити на Python. Також він добре інтегрований із клауд-технологіями. Це відкриває широкі можливості для пошуку нових ідей та реалізацій.
- Універсальність
Від простих чат-ботів і веб-сайтів до потужних систем штучного інтелекту — це все втілюють за допомогою Python. Продукти таких техногігантів, як Google, Microsoft, Uber і NASA теж побудовані з використанням технологій Python. Навіть Ubuntu частково працює на цій мові. До речі, тестувальники створюють на Python автоматизовані тести. А DevOps-інженери пишуть на ньому мови скрипти для деплою застосунків.
Думаю, найпоказовішим місцем для Python є робота з даними. Тут фактично ця мова береться за стандарт. Більшість бібліотек в Data Science, Data Engineering та Machine Learning створено на Python.
- Велика спільнота
У Python активне ком'юніті по всьому світу. Тож у разі виникнення труднощів у ході розробки, у 99% випадках ви знайдете відповіді на свої питання на форумах, у туторіалах від програмістів чи насамкінець у документації. Сама ж спільнота постійно створює нові, готові до використання бібліотеки та фреймворки. Це дуже спрощує опанування мови та подальшу роботу з нею.
- Перспективи
Щорічно Python входить в топи популярних мов. Причому як серед девелоперів, так і серед замовників. Розробка на Python затребувана і буде такою ще дуже довго. Мова постійно вдосконалюється. Наприклад, після оновлення Python 3.11 у деяких сценаріях він став продуктивнішим — від 10 до 60%.
Базові інструменти Python-розробника
Передусім це фреймворки. В кожного напряму розробки вони свої. Наприклад, у вебі виділяють три найбільш вживані інструменти:
- Django
Ідеально підходить для монолітних застосунків і надає готові рішення майже для будь-яких веб-сервісів. У ньому вбудований ORM для роботи із SQL-базою даних, але за необхідності можна писати й чистий SQL-код. Навіть якщо чогось не вистачає, для Django існує тисячі сторонніх рішень. Також фреймворк має адмінку. Через вбудований UI зручно працювати з контентом та змінювати налаштування. Крім того, в Django є власні інструменти для тестування, що спрощує та стандартизує розробку.
Є і деякі недоліки. По-перше, велика кількість вбудованого функціоналу може виявитись просто непотрібною. По-друге, фреймворк нав'язує інструменти і методи розробки. Це може призвести до конфлікту в проєктуванні архітектури застосунків при переході на ентерпрайз-системи. І врешті — це синхронний фреймворк. Тото його продуктивність не максимальна. Втім, Django в останніх версіях стрімко розвивається й в асинхронному напрямку.
- Flask
Головна особливість цього фреймворку — мінімалізм. У Django є адмінка, БД, сотні структур, а от Flask маленький і позбавлений більшості цих речей. Фактично є лише API. Далі треба самостійно створювати функціональність за допомогою власного коду та сторонніх бібліотек. З ними можна додати стільки всього, що функціональність буде не біднішим, аніж із Django. Це стане в пригоді у побудові архітектури мікросервісів. У них можуть не знадобитись адмінка та бази. Тому створений на Flask сервіс буде продуктивнішим і простим у підтримці.
- FastAPI
Зручний та високопродуктивний фреймворк асинхронного типу. Схожий на Flask, але з багатьма перевагами. FastAPI використовує анотації типів, а модуль Pydantic спрощує роботу з даними та їх валідацією. Є вбудована Swagger документація, лаконічний синтаксис ендпойнтів. Розробка з FastAPI швидка і приємна. Створювати можна і прототипи, й ентерпрайз-рішення. А ще обирати різні підходи до створення архітектури застосунку.
Для старту в Python також вивчайте…
- Віртуальне оточення
Дозволяє створити ізольоване середовище для встановлення бібліотек без впливу на загальну систему. Керувати ним можна за допомогою менеджерів оточення: PipEnv, Poetry та Conda. Також вони візьмуть на себе управління залежностями пакетів. Деякі з них навіть дозволять динамічно змінювати версію Python в оточенні.
- Середовище розробки
Можна взяти універсальне рішення на кшталт Visual Studio Code. Але у Python є більш вдалий інструмент для написання коду — PyCharm. У ньому багато різних вбудованих інтеграцій, наприклад, з GitHub. Також є інтерактивна Python-консоль, розвинута автоматизація, інструменти для роботи з віртуальним оточенням, дебагером, Docker і тестами. А з IDE без допоміжних інструментів можна керувати базою даних.
- Структури даних
У Python через відсутність обмежень можна написати будь-що, але інколи помилково. Структури даних допоможуть вам розуміти, які дані змінні, а які — ні. Знання структури даних потрібні вже на початку роботи з Python. Варто навчитися відрізняти структури за швидкістю та можливостями. Так ви зможете обирати оптимальні варіанти для виріення різних адачі.
При знайомстві з Python ви завжди можете поглиблювати знання у тій іншій темі. Для цього існує багато відкритих джерел. Та не забувайте і про офіційну документацію. В ній ви також знайдете відповіді на поширені питання.
Що корисного почитати / подивитися про Python?
Курси про Python:
- Курс на Codecademy — дуже крута інтерактивна платформа для вивчення коду, допоможе закріплити теорію на практиці.
- Поглиблене вивчення Python на Udemy.
- An Introduction to Interactive Programming in Python від Coursera.
- Youtube-канал Databricks — основного контриб'ютора Apache Spark.
- PySpark Tutorial for Beginners — курс від Edureka.
Книги про Python:
- Марк Лутц. Вивчаємо Python — Біблія Python розробника. Читається на всіх етапах вивчення Python.
- Python Tricks: The Book — дуже класна маленька книжка, розповідає про різні фішки Python.
- Лусіану Рамальо — Python. До вершин майстерності.
- Grokking Algorithms — про алгоритми простою мовою, всі приклади на Python.
- Django Book та Two Scoops of Django 3.х: Best Practices for the Django Web Framework.
- До. Дж. Дейт. Бази даних. Проєктування, реалізація та супровід. Теорія та практика — не варто лякатися кількості сторінок у книзі :)
- MySQL. Notes for Professionals book, яка покриває майже всі основні операції.
- PostgreSQL. Notes for Professionals book для вивчення реляційних баз даних на прикладах Postgres.
- Основи Big Data. Концепції, алгоритми та технології — чудовий старт, щоб розібратися у Big Data.
- Learning Spark, 2nd Edition — Apache Spark став де-факто стандартом для обробки та аналізу великих даних.
- High Performance Spark — про те, як ефективно використовувати Spark.
-
Hadoop: The Definitive Guide — ця книга познайомить з екосистемою Hadoop як основною технологією зберігання та обробки великих даних.
